Comprendre le comportement d’adoption et d’utilisation d’une application numérique de santé publique
Bibliographic record
Abstract
Dans cette recherche, l’intérêt s’est porté sur les facteurs qui influencent les consommateurs dans l’adoption ou pas d’une application numérique mobile de santé publique lors d’une crise sanitaire majeure telle que la pandémie de COVID-19. Pour construire le cadre de recherche, le modèle d’acceptation de la technologie TAM (Davis, 1989 ; Muñoz, 2016 ; Vahdat 2020) a servi de point de départ auxquels quatre autres facteurs pertinents au contexte sont venus s’ajouter pour favoriser la compréhension de ce comportement des consommateurs. Au total, 8 hypothèses ont été développées afin d’investiguer l’effet de la facilité d’utilisation perçue de l’application, de l’utilité perçue de l’application mobile, de l’influence sociale, du risque perçu de la COVID-19, du risque perçu de l’application mobile et du contenu de l’application mobile, sur l’acceptation de cette application mobile de santé publique, puis sur l’intention de l’utiliser et la propension à la recommander. Des modèles de régression linéaire simples et multiples ont été élaborés afin d’analyser les données collectées auprès d’un échantillon de 310 Québécois âgés de 18 ans et plus. Les analyses ont montré la significativité des liens étudiés menant ainsi à plusieurs contributions théoriques, managériales et sociales.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.020 | 0.103 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".